题名 | 基于深度学习的工业过程故障诊断方法研究 |
作者 | 阳少杰 |
答辩日期 | 2021-05-21 |
授予单位 | 中国科学院沈阳自动化研究所 |
授予地点 | 沈阳 |
导师 | 里鹏 |
关键词 | 工业过程 故障诊断 深度学习 多尺度特征提取 多模态 |
学位名称 | 专业学位硕士 |
其他题名 | Research on Fault Diagnosis Method Based on Deep Learning for Industrial Process |
学位专业 | 控制工程 |
英文摘要 | 随着现代工业的发展,对产品质量、经济效益及生产过程的安全性等方面的要求不断提高,生产设备朝着极其高精、高效、智能化和集成化方向发展,细微的性能下降或设备故障如不能被及时检测维护,都可能带来产品质量下降、中断生产、环境污染等问题,甚至可能造成严重生命财产损失,因此,对工业过程进行及时有效的监测和故障诊断对保障安全生产、维持稳定运行和提高产品质量具有重大意义。传统故障诊断技术如专家系统、基于解析模型的方法等依赖于高深复杂的领域专家知识、精准的数学模型,虽然这些方法可解释性较强,但它们易受环境的干扰,且面对大规模复杂系统时应用难度较大,很难取得满足生产需要的效果。得益于分布式控制系统和数据采集、存储等技术的快速发展,工业过程中产生的大量历史和实时数据被采集,使得基于数据驱动的故障诊断方法引起了学者们的广泛关注。近年来,大量基于数据驱动的故障诊断方法被提出,随着现代工业系统朝着大型化、复杂化趋势的发展,反映工业设备健康状况的过程数据呈现出多尺度、多模态、价值密度低、非线性等特点,对于传统数据驱动方法在故障诊断应用时提出了新的重大挑战。深度学习以其对复杂数据强大的特征提取能力和在模式识别上的独特优势,为解决上述问题提供了一种可行的研究方向。本文首先对国内外研究现状进行了整理,总结了当前研究存在的问题和不足,针对过程数据的特性及实际故障诊断需求,对基于深度学习的工业过程故障诊断方法进行研究,主要内容和创新点如下:(1)针对传统数据驱动诊断方法难以从工业过程数据中自适应提取有效特征、没有充分考虑过程数据的时间序列特性等问题,本文提出了基于残差卷积神经网络和长短期记忆网络(ResNet-LSTM)的故障诊断方法。该方法首先使用残差卷积神经网络对过程数据进行特征提取,考虑到过程数据的时间序列特性,使用长短期记忆网络进行更深层的特征提取,为加快模型训练过程、提升模型的泛化能力和精度,采用了批次归一化和随机失活的优化策略,最后通过全连接网络利用softmax函数实现故障诊断。采用工业过程故障诊断领域常用的田纳西-伊斯曼(TE)基准工业过程进行故障诊断实验,并与多种方法进行对比,验证了所提方法的有效性和可行性。(2)现有基于深度学习的工业过程故障诊断方法大多直接从原始数据中提取故障特征,而忽视了过程数据在多尺度下隐藏的特征信息;此外关于长短期记忆网络与卷积神经网络结合提取特征的方法大多采用串级联用方式,由此可能造成部分空间域或时间域特征信息的丢失。针对上述问题,为了更完整高效地提取过程信息以提高故障诊断性能,本文在基于ResNet-LSTM的故障诊断方法基础上设计了多尺度特征提取策略,并构建长短期记忆网络与卷积神经网络的并行特征提取结构,提出基于多尺度LSTM-FCNs的工业过程故障诊断方法。该方法使用变分模态分解(VMD)获取过程数据的多尺度分量,构建并行的长短期记忆网络和全卷积神经网络对各分量提取特征,在融合多尺度特征的基础上,使用全连接神经网络进行故障诊断。(3)工业过程受生产策略、市场需求等因素的主导,往往需要在多种操作模态下切换,针对工业过程故障诊断面临的多模态特性问题;以及考虑到不同特征对不同故障的重要性存在差异的问题,本文提出了基于局部近邻和注意力时间卷积网络(TCN)的多模态过程故障诊断方法。该方法针对过程数据的多模态特性,采用基于余弦相似度的局部近邻标准化方法对多模态过程数据进行标准化处理以消除多模态特性;针对过程数据不同特征对于特定故障的重要性存在差异的问题,考虑到TCN相比LSTM在并发计算和感受野灵活性上的优势,构建基于注意力机制的TCN模型对VMD获取的多尺度分量提取特征实现故障诊断。通过设置产品的产出比率获取多模态TE过程数据,在多模态故障诊断实验中验证了所提方法的优越性。 |
语种 | 中文 |
产权排序 | 1 |
页码 | 62页 |
内容类型 | 学位论文 |
源URL | [http://ir.sia.cn/handle/173321/28965] |
专题 | 沈阳自动化研究所_数字工厂研究室 |
作者单位 | 中国科学院沈阳自动化研究所 |
推荐引用方式 GB/T 7714 | 阳少杰. 基于深度学习的工业过程故障诊断方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论